KR20210090580A

KR20210090580A - 경로 계획 모델 생성 방법, 장치, 기기 및 저장 매체

Info

Publication number: KR20210090580A
Application number: KR1020210085841A
Authority: KR
Inventors: 텡 장
Original assignee: 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Priority date: 2020-06-30
Filing date: 2021-06-30
Publication date: 2021-07-20
Also published as: US20210223056A1; US11698262B2; JP7249384B2; JP2021176751A; CN111982137A; EP3932763A1; CN111982137B

Abstract

본 발명의 예시적인 실시예에 따르면, 자동 운전, 자율 주차 분야에 관한 경로 계획 모델 생성 방법, 장치, 기기 및 저장 매체를 제공한다. 경로 계획 모델 생성 방법은 목표 장소와 연관된 목표 경로 데이터 세트를 획득하는 단계; 및 상기 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 상기 목표 장소에 대응하는 장소 최적화 목표를 이용하여 상기 목표 장소의 목표 경로 계획 모델을 결정하는 단계; 를 포함하고, 상기 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정되며, 상기 과거 경로 데이터 세트는 상기 목표 장소와 다른 복수의 장소와 연관되고, 상기 제1 훈련의 제1 훈련 최적화 목표는 상기 복수의 장소에 대응한다. 이러한 방식으로 목표 장소의 데이터 수집 횟수를 줄일 수 있다.

Description

경로 계획 모델 생성 방법, 장치, 기기 및 저장 매체{METHODS FOR CREATING ROUTE PLANNING MODELS, DEVICES, DEVICES AND STORAGE MEDIA}

본 발명의 실시예는 자동 운전 기술 분야에 관한 것으로, 특히 자율 주차 분야에 관한 것이며, 보다 구체적으로는 경로 계획 모델 생성 방법, 장치, 기기 및 컴퓨터 판독 가능 저장 매체에 관한 것이다.

자동 운전 기술의 발달로 현재에는 기계 학습 기술을 기반으로 다양한 운전 임무를 수행할 수 있는바, 예를 들어, 기계 학습 기술은 이미 자율 주차와 같은 경로 계획을 수행하는데 사용될 수 있다. 그러나 자율 주차가 직면하는 장면의 다양성 및 직면하는 장소의 환경 요인이 다를 수 있는데, 이 경우 적은 수의 훈련 데이터로 다른 장소에 대한 경로 계획을 구현하는 방법이 연구 이슈로 되고 있다.

본 발명의 예시적인 실시예에 따르면, 경로 계획 모델 생성 수단을 제공한다.

본 발명의 제1 측면에 따르면, 경로 계획 모델 생성 방법을 제공한다. 상기 방법은 목표 장소와 연관된 목표 경로 데이터 세트를 획득하는 단계를 포함하고, 상기 방법은 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 목표 장소에 대응하는 장소 최적화 목표를 이용하여 목표 장소의 목표 경로 계획 모델을 결정하는 단계를 더 포함하며, 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정되고, 과거 경로 데이터 세트는 목표 장소와 다른 복수의 장소와 연관되며, 제1 훈련의 제1 훈련 최적화 목표는 복수의 장소에 대응한다.

본 발명의 제2 측면에 따르면, 교통수단의 궤적 결정 방법을 제공한다. 상기 방법은 목표 장소의 현재 경로 데이터를 획득하는 단계를 포함하고, 상기 현재 경로 데이터는 상기 교통수단의 적어도 하나의 센서를 이용하여 획득된다. 상기 방법은 본 발명의 제1 측면의 방법에 따라 결정된 목표 경로 계획 모델 및 현재 경로 데이터에 기반하여 교통수단의 궤적을 결정하는 단계를 더 포함한다.

본 발명의 제3 측면에 따르면, 경로 계획 모델 생성 장치를 제공한다. 상기 장치는 목표 장소와 연관된 목표 경로 데이터 세트를 획득하도록 구성되는 데이터 획득 모듈을 포함한다. 상기 장치는 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 목표 장소에 대응하는 장소 최적화 목표를 이용하여 목표 장소의 목표 경로 계획 모델을 결정하도록 구성되는 목표 경로 계획 모델 결정 모듈을 더 포함한다. 여기서, 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정되고, 과거 경로 데이터 세트는 목표 장소와 다른 복수의 장소와 연관되며, 제1 훈련의 제1 훈련 최적화 목표는 복수의 장소에 대응한다.

본 발명의 제4 측면에 따르면, 교통수단을 제공한다. 상기 교통수단은 교통수단의 적어도 하나의 센서를 이용하여 목표 장소의 현재 경로 데이터를 획득하도록 구성되는 현재 경로 데이터 획득 모듈을 포함한다. 상기 교통수단은 본 발명의 제1 측면의 방법에 따라 결정된 목표 경로 계획 모델 및 현재 경로 데이터에 기반하여 교통수단의 궤적을 결정하도록 구성되는 궤적 결정 모듈을 더 포함한다.

본 발명의 제5 측면에 따르면, 전자 기기를 제공한다. 상기 전자 기기는, 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 통신 연결되는 메모리; 를 포함하고, 상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되며, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 본 발명의 제1 측면의 경로 계획 모델 생성 방법을 수행한다.

본 발명의 제6 측면에 따르면, 컴퓨터 프로그램이 저장된 비 일시적 컴퓨터 판독 가능 저장 매체를 제공하는 바, 상기 컴퓨터 프로그램의 명령이 실행될 경우, 본 발명의 제1 측면의 경로 계획 모델 생성 방법이 수행된다.

본 발명의 제7 측면에 따르면, 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 제공하는 바, 상기 컴퓨터 프로그램의 명령이 실행될 경우, 본 발명의 제1 측면의 경로 계획 모델 생성 방법이 수행된다.

본 발명의 실시예는 경로 계획 모델 생성 효율을 개선할 수 있다.

발명의 내용 부분에서 설명되는 내용은 본 발명의 실시예의 핵심적이거나 중요한 특징을 식별하기 위한 것이 아니며, 본 발명의 범위를 제한하려는 의도도 아님을 이해해야 한다. 본 발명의 다른 특징은 하기의 명세서에 의해 쉽게 이해될 것이다.

첨부 도면을 결부하고 하기의 자세한 설명을 참조하면, 본 발명의 각 실시예의 상기 특징 및 다른 특징, 장점 및 방면이 더욱 명확해질 것이다. 첨부 도면에서, 동일하거나 유사한 도면 표기는 동일하거나 유사한 요소를 나타낸다. 여기서,
도 1은 본 발명의 다수의 실시예가 경로 계획 모델 생성을 구현 가능한 예시적 환경(100)의 개략도를 도시한다.
도 2는 본 발명의 일부 실시예에 따른 경로 계획 모델을 생성하기 위한 방법(200)의 흐름도를 도시한다.
도 3은 본 발명의 일부 실시예에 따른 목표 경로 데이터 세트를 획득하기 위한 과정(300)의 개략도를 도시한다.
도 4는 본 발명의 일부 실시예에 따른 제1 경로 계획 모델을 결정하기 위한 과정(400)의 개략도를 도시한다.
도 5는 본 발명의 일부 실시예에 따른 목표 경로 계획 모델을 결정하기 위한 과정(500)의 개략도를 도시한다.
도 6은 본 발명의 일부 실시예에 따른 경로 계획 모델을 생성하기 위한 장치(600)의 개략적인 블록도를 도시한다.
도 7은 본 발명의 일부 실시예에 따른 교통수단의 궤적을 결정하기 위한 방법(700)의 개략도를 도시한다.
도 8은 본 발명의 일부 실시예에 따른 교통수단(800)의 개략적인 블록도를 도시한다.
도 9는 본 발명의 다수의 실시예를 구현할 수 있는 전자 기기(900)의 블록도를 도시한다.

이하, 첨부 도면을 결부하여 본 출원의 예시적인 실시예들을 설명하고자 하며, 이해를 돕기 위해 본 출원의 실시예들의 다양한 세부 사항들이 포함되는데, 이들은 단지 예시적인 것으로 간주되어야 한다. 따라서, 본 출원의 기술 분야의 통상의 지식을 가진 자라면 본 출원의 범위 및 사상을 벗어나지 않으면서 본 명세서에 설명된 실시예들에 대해 다양한 변경 및 수정이 이루어질 수 있음을 알아야 한다. 또한, 명확성 및 간결성을 위해, 공지된 기능 및 구조에 대한 설명은 아래 설명에서 생략된다.

본 발명의 실시예의 설명에서, 용어 "포함하다" 및 이와 유사한 용어는 "포함하나 이에 제한되지 않는다"와 같은 개방적 포함으로 이해되어야 한다. 용어 "기반하여"는 "적어도 부분적으로 기반하여"로 이해되어야 한다. 용어 "일 실시예" 및 "상기 실시예"는 "적어도 하나의 실시예"로 이해되어야 한다. 용어 "제1", "제2" 등은 상이하거나 동일한 객체를 지칭할 수 있다. 아래 내용은 다른 명시적 및 암시적 정의를 더 포함할 수 있다.

저속 학습형 자율 주차 장면에서, 경로 계획의 경우 하나의 수단으로는 최적화 알고리즘을 기반으로 하는 것인데, 이는 보다 복잡한 경로를 계획할 수 있으나 고정밀 지도 및 교통수단(110)의 고정밀 위치 결정에 의존해야 한다. 다른 수단으로는 신경망을 기반으로 하는 것인데, 이는 저렴하고 상대적으로 폐쇄적이며 단순한 장소에서 이용할 수 있는바, 예를 들어 심층 신경망을 기반으로 한 엔드-투-엔드 해결수단의 전통적인 방식은 센서 원시 데이터(예: 이미지 및 레이저 포인트 클라우드)를 훈련된 모델(예: 신경망)에 입력하여 컴퓨팅을 수행한 후, 스티어링 각도, 브레이크 및 액셀러레이터의 제어량과 같은 교통수단(110)의 제어 파라미터를 직접 출력한다. 이러한 수단은 고정밀 지도에 의존하지 않으며 비용이 저렴하나, 자율 주차 응용시 해당 수단의 문제점은 훈련 모델이 많은 훈련 데이터를 필요로 하고 사용자는 안정적인 크루즈 네트워크를 얻기 위해 하나의 장소의 하나의 경로에 대해 수십회의 경로 데이터를 수집해야 하며, 경로 또는 장소가 변경되면 새로운 장소 또는 경로에 대한 데이터 세트를 다시 수집해야 하고 훈련 과정을 다시 수행해야 하므로 필연적으로 사용자 경험에 영향을 미친다.

전술한 문제점 및 기타 잠재적 문제점 중 하나 또는 다수의 문제점을 적어도 부분적으로 해결하기 위해, 본 발명의 실시예는 목표 경로 계획 모델을 생성하는 기술적 해결책을 제안한다. 상기 수단에서는 목표 장소에 대한 장소 최적화 목표 및 복수의 알려진 장소에 대한 제1 훈련 최적화 목표의 개념을 제안한다. 여기서 목표 장소는 복수의 알려진 장소와 다른 장소를 의미할 수 있다.

본 발명의 실시예를 이용하여 복수의 알려진 장소에 대한 제1 경로 계획 모델에 기반하여 목표 장소의 목표 경로 계획 모델을 생성할 수 있다. 이러한 방식으로 이미 존재하나 목표 장소와 관련이 없는 과거 경로 데이터에 기반하여 장소 최적화 목표를 향해 최적화함으로써 소량의 목표 경로 데이터를 포함하는 목표 경로 데이터 세트를 이용한 추가 처리가 가능하도록 한다. 따라서, 본 발명의 수단은 보다 간단하고 효과적인 방식으로 목표 장소의 목표 경로 계획 모델을 획득할 수 있어, 목표 장소의 대량의 훈련 샘플을 획득하기 어려운 문제점을 완화할 수 있다.

아래에서는 첨부 도면을 참조하여 본 발명의 실시예를 구체적으로 설명한다.

도 1은 본 발명의 다수의 실시예가 구현 가능한 예시적 환경(100)의 개략도를 도시한다. 도 1A에 도시된 바와 같이, 환경(100)에서, 교통수단(110)은 주차장과 같은 목표 장소(120)에서 주행하고 있고, 여기서, 상기 주차장은 실외 주차장 또는 실내 주차장일 수 있다. 일부 실시예에서, 교통수단(110)은 일정한 자동 운전 능력(예를 들어, 자율 주차 능력)을 갖춘 교통수단(110)일 수 있으며, 여기서, 자동 운전 능력은 보조 운전 능력, 반 자동 운전 능력, 고도의 자동 운전 능력 또는 완전 자동 운전 능력을 포함할 수 있으나 이에 한정되지는 않는다. 교통수단(110)은 이에 고정 또는 장착된 이미지 수집 장치(115)를 통해 주변 환경의 복수의 실시간 이미지를 캡쳐할 수 있고, 이미지 수집 장치(115)는 적어도 하나의 센서를 포함하며, 일부 실시예에서, 이미지 수집 장치(115)는 하나의 또는 복수의 광각 또는 초광각이 구비된 카메라일 수 있고, 이러한 카메라는 주변 환경의 360도 내의 장면을 캡쳐할 수 있다. 선택적으로, 이미지 수집 장치(115)는 교통수단(110) 외부의 여러 방향의 실시간 장면을 회전 가능하게 감지할 수 있도록, 회전 가능한 구조를 적용할 수도 있다. 일부 실시예에서, 이미지 수집 장치(115)는 하나의 전방 광각 카메라, 4개의 어안 카메라를 포함하는 L3 레벨 자동 운전 센서의 구성을 적용한다. L3은 특정 장면에서의 자동 운전을 의미하고, 교통수단(110)이 동적으로 주행시 사용자의 동의하에 자동 운전 시스템은 교통수단(110)의 주행에 완전히 개입할 수 있으며, 사용자는 교통수단(110)이 자동 운전시 발생하는 주행 오류를 언제든지 수정할 수 있다. 또한 운전자의 해당 주행 궤적 포인트와 목표 경로 데이터(130)는 추가 처리를 위해 컴퓨팅 기기(150)로 송신된다.

컴퓨팅 기기(150)는 원격 서버 또는 클라우드일 수 있고, 다양한 데이터(적어도 목표 경로 데이터(130) 및 과거 경로 데이터 세트(140)를 포함함) 및 기계 학습 모델에 따라 훈련될 수 있다. 예를 들어, 컴퓨팅 기기(150)는 운전자의 주행 궤적 포인트 데이터를 각각 수집된 이미지에 투영하여 이미지를 기계 학습 모델에 입력한 후, 해당 이미지에 투영된 궤적 포인트를 출력할 수 있다. 다시 말하면, 학습된 것은 이미지를 궤적 포인트에 매핑하는 것이다. 컴퓨팅 기기(150)는 목표 경로 계획 모델(160)을 획득하기 위해, 본문에서 도 2 ~ 도 6을 참조하여 설명한 과정을 수행하여 매핑이 보다 정확해지도록 한다.

기계 학습 모델의 예시로는 콘볼루션 신경망 모델(CNN), 재발성 신경망(RNN)과 같은 신경망 모델일 수 있다. 목표 경로 데이터(130)를 이용하여 훈련하기 이전에, 컴퓨팅 기기(150)는 최종 목표 경로 계획 모델(160)을 생성하는데 필요한 목표 경로 데이터(130)의 데이터 양을 줄이기 위해 과거 경로 데이터 세트(140)를 이용하여 사전 훈련을 수행할 수 있다. 이해할 수 있는 것은, 과거 경로 데이터 세트(140)는 알려진 복수의 장소에서 이미 수집된 다중 경로 데이터를 포함할 수 있는데, 상기 복수의 장소는 목표 장소(120)와 다르다. 따라서 과거 경로 데이터 세트(140)는 컴퓨팅 기기(150)를 위한 저장 기기에 이미 저장되었을 수 있다. 사전 훈련 후, 컴퓨팅 기기(150)는 소량의 목표 경로 데이터(130)를 이용하여 훈련한 후 목표 경로 계획 모델(160)을 획득할 수 있다. 목표 경로 계획 모델(160)은 교통수단에 배치되고, 또한 교통수단(110)을 자율 주차하는 크루즈 기능을 구현하기 위해 이미지 수집 장치(115)에 의해 수집된 실시간 데이터를 추가로 이용할 수 있다.

이해해야 할 것은, 교통수단(110)은 이미지 수집 장치(115) 외에도 자동 운전을 위한 기타 센서 또는 감지 장치를 더 포함할 수 있는바, 예를 들어, 교통수단(110)은 라이더, 위성 위치 결정 시스템 및 관성 측정 장치 등을 더 포함할 수 있다. 라이더는 레이저 빔을 방출하여 목표의 위치 및/또는 속도 등 특징량을 탐지하는 레이더 장치를 의미하는데, 그 작동 원리는 목표에 탐지 신호(레이저 빔)를 방출한 후 수신된 목표 반사 신호(목표 에코)와 방출 신호를 비교하고 적절한 처리 후 목표 거리, 방위, 높이, 속도, 자세 심지어 모양 등 파라미터 중 하나 또는 복수의 타겟 관련 정보를 획득할 수 있다. 위성 위치 결정 시스템은 위성 항법 장치 (GPS)에 한정되지 않고 유럽의 Galileo 위성 위치 결정 시스템, 중국의 Beidou 위성 위치 결정 시스템 등이 모두 본 발명의 실시예와 결합하여 사용될 수 있다. 이 밖에, 이해해야 할 것은, 도 1에 도시된 환경(100)은 본 발명의 실시예의 예시적 환경일뿐 본 발명의 범위를 한정하지 않는다.

도 2는 본 발명의 일부 실시예에 따른 경로 계획 모델을 생성하기 위한 방법(200)의 흐름도를 도시한다. 명확한 설명의 편의를 위해 이하에서는 도 1의 환경(100)을 참조하여 본 발명의 실시예의 방법(200)을 설명한다. 이해해야 할 것은, 방법(200)은 원격 서버 또는 클라우드와 같은 컴퓨팅 기기(150)에서 수행될 수 있거나, 일부는 교통수단(110)의 로컬에서 구현되고 일부는 원격 서버 또는 클라우드에서 수행될 수 있다. 이해해야 할 것은, 방법(200)은 또한 도시되지 않은 추가 동작을 포함할 수 있거나 및/또는 도시된 동작을 생략할 수 있으며, 본 발명의 범위는 해당 측면에서 한정되지 않는다. 이하에서는 방법(200)이 도 1에 도시된 컴퓨팅 기기(150)에 의해 수행되는 경우를 예로 들어 설명한다.

단계(202)에서, 컴퓨팅 기기(150)는 목표 장소(120)와 연관된 목표 경로 데이터 세트를 획득한다.

본 발명의 실시예의 설명에서, "목표 장소(120)"는 본 발명에서 "목표 주차장"으로 지칭되기도 하고, 목표 장소(120)는 현재 잠시 이에 대한 경로 계획 모델이 존재하지 않는 장소일 수 있으므로, 이의 경로 계획 모델은 생성할 경로 계획 모델이다.

"목표 경로 데이터 세트"는 목표 장소(120)(예를 들어, 특정된 주차장)에 대한 복수의 목표 경로 데이터로 구성된 세트일 수 있다. "경로 데이터"는 교통수단(110)(예를 들어, 이미지 수집 장치(115))을 통해 장소(예를 들어, 목표 장소(120))에서 수집한 특정 경로(예를 들어, 주차 경로, 주차장 입구에서 예정된 주차 자리까지의 경로)에 대한 이미지 데이터(예를 들어, 다중 이미지), 및 대응되는 운전 궤적 포인트 데이터를 포함할 수 있다. 일부 실시예에서, 복수의 목표 경로 데이터는 전부 교통수단(110)에 의해 목표 장소(120)에서 수집된 후 컴퓨팅 기기(150)로 송신될 수 있다. 일부 실시예에서, 복수의 목표 경로 데이터 중 일부는 교통수단(110)에 의해 목표 장소(120)에서 수집된 후 컴퓨팅 기기(150)로 송신되고, 이어서 컴퓨팅 기기(150)는 아래 도 4를 참조하여 상세하게 설명된 과정을 통해 복수의 목표 경로 데이터 중 나머지 부분을 생성한다.

단계(204)에서, 컴퓨팅 기기(150)는 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 목표 장소(120)에 대응하는 장소 최적화 목표를 이용하여 목표 장소(120)의 목표 경로 계획 모델(160)을 결정한다. 여기서, 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정되고, 과거 경로 데이터 세트는 목표 장소(120)와 다른 복수의 장소와 연관되며, 제1 훈련의 제1 훈련 최적화 목표는 복수의 장소에 대응한다.

컴퓨팅 기기(150)는 최종적으로 최적화된 목표 경로 계획 모델(160)을 획득하기 위해, 목표 경로 데이터 세트를 제1 경로 계획 모델에 입력하고, 장소 최적화 목표를 이용하여 제1 경로 계획 모델을 훈련하며, 상기 특정된 목표 장소(120)에 대한 장소 최적화를 구현하도록 훈련을 통해 상기 제1 경로 계획 모델의 파라미터를 추가로 조정한다. 상기 목표 장소(120)의 장소 최적화 목표는 목표 장소(120)에서 목표 경로 계획 모델(160)의 경로 계획 오차를 줄일 수 있다. 다시 말하면, 장소 최적화 목표는 목표 경로 계획 모델(160)이 특정된 목표 장소(120)에서 경로 계획을 수행하도록 할 수 있으며, 획득된 예측 궤적과 실제 궤적 간의 오차는 제1 임계값보다 작다.

교통수단(110)은 목표 경로 계획 모델(160) 및 이미지 수집 장치(115)에 의해 획득된 목표 장소(120)에 대한 현재 경로 데이터에 기반하여 목표 장소(120)에서 정확한 경로 계획을 구현할 수 있다. 예를 들어, 목표 주차장에서 자율 주차를 위한 궤적을 생성하는데, 이는 하기에서 도 7을 참조하여 자세히 설명될 것이다.

이해해야 할 것은, 자율 주차와 같은 경로 계획 모델 생성 애플리케이션에서, 컴퓨팅 기기(150)의 관점에서 복수의 다른 교통수단(110)은 서로 다른 다양한 주차장에 직면하게 될 것이다. 회당 별도의 교통수단(110)에 대해 이가 위치한 특정 주차장이 모두 대량의 데이터 샘플의 데이터 세트를 이용하여 훈련을 수행해야 하는 경우, 복수의 교통수단에 서비스를 제공할 수 있는 컴퓨팅 기기(150)는 대량의 계산을 필요로 한다. 그러나 교통수단(110)의 관점에서 사용자는 상기 교통수단(110)을 운전하여 목표 장소(120)에서 목표 경로 데이터(130)의 수집을 완료해야 하는데, 목표 경로 데이터 세트를 형성하기 위해 수집할 목표 경로 데이터(130)의 수가 너무 많으면, 사용자 경험이 나쁠 수 있다. 따라서, 전술한 목표 경로 계획 모델(160)의 결정 과정에서, 적절한 제1 경로 계획 모델이 필요한바, 이로써 사용자가 목표 장소(120)에 대해 수집해야 하는 목표 경로 데이터 샘플의 수를 줄이고 컴퓨팅 기기(150)의 컴퓨팅 오버헤드를 줄인다.

"제1 경로 계획 모델"은 로는 "사전 훈련 모델" 또는 "기본 훈련 모델"로도 불리우며 목표 경로 계획 모델(160)을 획득하는 기초로 간주될 수 있다. 교통수단(110) 및 컴퓨팅 기기(150)의 경우, 목표 장소(120)는 알 수 없으므로 적은 목표 경로 데이터(130)로 목표 장소(120)에 대한 정확한 목표 경로 계획 모델(160)을 결정할 수 있도록, 기본 훈련 모델에는 강력한 일반화(generalization) 능력이 구비되어야 한다. 일반화 능력이란 모든 가능한 목표 장소(120)에 대해 모두 적은 수의 목표 경로 데이터(130)를 이용하여 기본 훈련 모델에 따라 정확한 목표 경로 계획 모델(160)을 결정할 수 있는 능력을 의미한다. 이해할 수 있는 것은, 일부 실시예에서, 단계(202) 및 단계(204)의 목표 경로 계획 모델(160) 결정 단계(때로는 온라인 과정으로도 불리움)를 수행하기 이전에, 제1 경로 계획 모델은 컴퓨팅 기기(150)에 의해 미리 훈련되고(때로는 오프라인 과정으로도 불리움), 사용을 위해 대응하는 저장 기기에 저장될 수 있다.

제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정될 수 있다. "과거 경로 데이터 세트"는 알려진 복수의 장소에서 이미 수집된 다중 경로 데이터를 포함하고, 상기 복수의 장소는 목표 장소(120)와 다르다. 제1 경로 계획 모델은 일반적으로 상기 과거 경로 데이터 세트에 기반하여 훈련(즉, 제1 훈련)을 통해 특정된 최적화 목표(즉, 제1 훈련 최적화 목표 )으로 최적화하여 결정된다.

장소 최적화 목표와 달리 강력한 일반화 능력을 갖기 위해, 제1 훈련 최적화 목표는 복수의 장소에 대응하고, 이는 제1 경로 계획 모델을 모든 복수의 장소(예를 들어, 경로 계획 오차가 모두 작음)에 가까워지도록 할 수 있으나, 어느 특정 장소에 대해 정확한 것은 아니다(예를 들어, 어느 특정 장소에 대한 경로 계획 오차가 허용 임계값을 초과할 수 있음). 따라서, 각각 알려지지 않은 목표 장소(120)의 경우, 제1 훈련 최적화 목표는 목표 경로 데이터 세트에 포함될 목표 경로 데이터의 수를 줄이는 것이다. 일부 실시예에서, 제1 훈련 최적화 목표는 복수의 장소에서 제1 경로 계획 모델의 복수의 경로 계획 오차를 줄이는 것이다. 일부 실시예에서, 제1 훈련 최적화 목표는 제1 경로 계획 모델을 이용하여 모든 복수의 목표 장소에서 복수의 경로 계획을 수행할 수 있으며, 획득된 복수의 예측 궤적과 복수의 실제 궤적 간의 복수의 경로 계획 오차가 모두 제2 임계값보다 작고, 상기 제2 임계값이 장소 최적화 목표에 대한 제1 임계값보다 크도록 하는 것이다.

다시 말하면, 전술한 최적화 목표를 통해 훈련된 제1 경로 계획 모델이 어느 특정된 목표 장소(120)에서 궤적(예를 들어, 목표 주차장 중 주차 궤적)을 매우 정확하게 계획할 수 없으나, 상기 제1 경로 계획 모델을 이용하여 생성 목표 경로 계획 모델(160)의 훈련 과정에서 목표 장소(120)의 훈련 샘플 수에 대한 수요를 크게 감소시킬 수 있다. 이하에서는 도 4를 참조하여 상기 제1 경로 계획 모델을 결정하는 방법에 대해 더 자세히 설명한다.

일부 실시예에서, 최적화 목표는 손실 함수로 표시될 수 있다. 예를 들어, 장소 최적화 목표는 목표 장소(120)에 대응하는 목표 손실 함수로 지시될 수 있고, 제1 훈련 최적화 목표는 복수의 장소에 대응하는 복수의 장소 손실 함수의 합으로 지시될 수 있다. 일 예시에서, 손실 함수는 교차 엔트로피 손실 함수일 수 있다.

이해해야 할 것은, 전술한 용어에 대한 구체적인 정의는 설명의 편의를 위한 것일뿐 본 발명의 범위를 한정하기 위한 것이 아니다. 본 발명의 실시예는 경로 계획을 수행해야 하는 임의의 기타 물리적 한경에 적용될 수 있고, 또한 본 발명의 목적을 달성할 수 있는 임의의 기타 데이터 유형 및 모델 유형에 적용될 수 있다. 본 발명의 실시예에서, 모든 훈련은 경사 하강법과 같이 기계 학습 분야의 통상적인 훈련 수단을 적용하여 구현될 수 있으며, 모든 경로 계획 모델의 네트워크 구조는 콘볼루션 신경망과 같은 신경망일 수 있으나 본 발명의 실시예는 이에 한정되지 않는다.

따라서, 본 발명의 실시예를 이용하여 목표 장소(120)에서 목표 경로 데이터 샘플 수에 대한 수요를 감소시킬 수 있고, 나아가 다른 알려진 복수의 장소 예시의 경로 데이터 세트에 따라 획득된 훈련 모델에 기반하여 목표 장소(120)에 대한 적은 경로 데이터를 이용하여 목표 장소(120)에 대한 최적화되고 정확한 목표 경로 계획 모델(160)을 획득할 수 있다. 이러한 방식으로 사용자의 운전 경험을 향상시키면서 서버의 컴퓨팅 오버헤드를 줄일 수 있다.

도 3은 본 발명의 실시예에 따른 목표 경로 데이터 세트를 획득하기 위한 과정(300)의 개략도를 도시한다. 예를 들어, 과정(300)은 도 2에 도시된 방법(200) 중 단계(202)의 일 예시의 구현으로 간주될 수 있다. 이해해야 할 것은, 과정(300)은 또한 도시되지 않은 추가 동작을 포함할 수 있거나 및/또는 도시된 동작을 생략할 수 있으며, 본 발명의 범위는 해당 측면에서 한정되지 않는다.

단계(302)에서, 컴퓨팅 기기(150)는 목표 장소(120)와 연관된 목표 경로 데이터(130)를 획득한다.

위에서 논의된 바와 같이, 획득할 목표 경로 데이터 세트는 복수의 목표 경로 데이터를 포함하고, 그 중 일부 목표 경로 데이터(130)는 사용자가 교통수단(110)을 조작하여 목표 장소(120)에서 수집(예를 들어, 5회 수집)한 후 원격 서버와 같은 컴퓨팅 기기(150)에 송신될 수 있다. 컴퓨팅 기기(150)는 추가 처리를 위해 이러한 목표 경로 데이터를 수신할 수 있다. 이해할 수 있는 것은, 단계(302)에서 수집된 목표 경로 데이터 샘플의 수는 방법(200)에서 사용된 목표 경로 데이터 세트 중 복수의 목표 경로 데이터의 수보다 적을 수 있다.

단계(304)에서, 컴퓨팅 기기(150)는 전술한 목표 경로 데이터(130) 및 경로 데이터 변환 모델에 기반하여 목표 경로 데이터 세트를 획득하고, 상기 목표 경로 데이터 세트는 적어도 전술한 목표 경로 데이터(130)를 포함한다.

상술한 바와 같이, 목표 경로 데이터는 이미지 데이터를 포함할 수 있다. 따라서, 원하는 목표 경로 데이터 세트를 생성하기 위해, 이미지 증광 모델과 같은 경로 데이터 변환 모델을 이용하여 적은 수의 목표 경로 데이터를 많은 수의 목표 경로 데이터 샘플로 변환할 수 있다.

이해할 수 있는 것은, 단일 환경 조건에서 수집된 목표 경로 데이터에 의해 훈련된 최종 목표 경로 계획 모델(160)은 기타 다른 환경 조건에서 상기 목표 경로 계획 모델(160)의 정확성에 영향을 미칠 수 있는데, 이는 다른 환경 조건에서 광 조사와 같은 조건이 수집된 이미지 데이터에 큰 영향을 미치기 때문이다. 예를 들어, 맑은 날에 목표 경로 데이터를 수집하는 경우, 상기 목표 경로 데이터를 기반으로 훈련된 목표 경로 계획 모델(160)이 우천에서 계획한 경로는 정확성이 떨어질 수 있다.

따라서, 일부 실시예에서, 경로 데이터 변환 모델은 단일 환경 조건에서 수집된 목표 경로 데이터를 다른 다양한 환경 조건에서 변환된 복수의 목표 경로 데이터로 변환한 후, 수집된 목표 경로 데이터와 변환된 복수의 목표 경로 데이터가 함께 목표 경로 데이터 세트를 구성할 수 있다. 예를 들어, 경로 데이터 변환 모델은 맑은 날에 수집된 하나의 목표 경로 데이터를 흐린 날, 우천, 설천, 저녁, 야간 및 역광 조건에서 6개의 변환된 목표 경로 데이터로 변환하여 다른 환경 조건에서 데이터 양을 증가한다.

이해할 수 있는 것은, 경로 데이터 변환 모델은 순환 GAN(CycleGAN), DRIT++(Diverse Image-to-Image Translation via Disentangled Representations)와 같이 그래프-그래프 변환 분야에서 다양한 생성적 대립 네트워크(GAN)를 적용할 수 있으며, 제1 경로 계획 모델과 유사하게 경로 데이터 변환 모델은 오프라인 과정에서 미리 훈련될 수 있다. 예를 들어, 경로 데이터 변환 모델은 맑은 날, 흐린 날, 우천, 설천, 저녁, 야간 및 역광 조건에서 수집된 다양한 이미지 데이터로 구성된 이미지 데이터 훈련 세트로 훈련할 수 있다. 일부 실시예에서, 경로 데이터 변환 모델은 경로 데이터 변환 모델의 정확성을 더욱 향상시키기 위해 목표 장소(120)와 관련된(예를 들어, 다양한 주차장의) 이미지 데이터를 이용하여 훈련된다.

일부 실시예에서, 목표 경로 데이터를 수집할 때 환경 조건은 예정된 환경 조건이 아닐 수 있으므로, 미리 획득한 경로 데이터 변환 모델은 한 그룹의 경로 데이터 변환 서브 모델을 포함할 수 있다. 상기 한 그룹의 경로 데이터 변환 서브 모델은 각각 맑은 날, 흐린 날, 우천, 설천, 저녁, 야간 및 역광과 같은 다른 환경 조건에 대응한다. 컴퓨팅 기기(150)는 목표 데이터를 수신한 후, 목표 경로 데이터가 위치한 목표 환경 조건(예를 들어, 저녁)을 결정한다. 다음, 컴퓨팅 기기(150)는 상기 목표 환경 조건에 기반하여 한 그룹의 경로 데이터 변환 서브 모델에서 목표 환경 조건(예를 들어, 저녁)에 대응하는 하나의 경로 데이터 변환 서브 모델(예를 들어, 저녁으로부터 기타 환경 조건으로의 변환 서브 모델)을 결정한다. 이어서, 컴퓨팅 기기(150)는 목표 경로 데이터 및 결정된 하나의 경로 데이터 변환 서브 모델(예를 들어, 저녁으로부터 기타 환경 조건으로의 변환 서브 모델)에 기반하여 목표 경로 데이터 세트를 획득한다. 이러한 방식으로 컴퓨팅 기기(150)는 목표 경로 데이터 세트를 획득하기 위해 목표 경로 데이터와 매칭되는 하나의 경로 데이터 변환 서브 모델을 이용하여 변환을 수행한다.

따라서, 본 발명의 실시예를 이용하여 목표 장소(120) 중 목표 경로 데이터 샘플 수에 대한 수요를 추가로 감소시킬 수 있다. 예를 들어, 경로 데이터 변환 모델을 기반으로, 실제 수집된 적은 수의 목표 경로 데이터에 기반하여 목표 경로 데이터 세트 중 많은 샘플 수를 획득할 수 있다. 또한, 획득된 목표 경로 데이터 세트에는 다른 환경 조건의 목표 경로 데이터가 포함될 수 있다. 이러한 방식으로 사용자의 운전 경험을 더 향상시키고 서버의 컴퓨팅 오버헤드를 감소시키는 동시에 다른 환경 조건에서 최종 목표 경로 계획 모델(160)의 정확성을 개선할 수 있다. 특정된 목표 장소(120)의 경우, 사용자는 교통수단(110)을 운전하여 목표 경로 데이터를 5회 수집함으로써 목표 경로 계획 모델(160)을 바로 결정할 수 있다.

도 4는 본 발명의 일부 실시예에 따른 제1 경로 계획 모델을 결정하기 위한 과정(400)의 개략도를 도시한다. 예를 들어, 과정(400)은 도 2에 도시된 방법(200) 중 단계(204)에 이용된 제1 경로 계획 모델 결정 과정의 일 예시의 구현으로 간주될 수 있다. 이해해야 할 것은, 과정(400)은 또한 도시되지 않은 추가 동작을 포함할 수 있거나 및/또는 도시된 동작을 생략할 수 있으며, 본 발명의 범위는 해당 측면에서 한정되지 않는다.

상술한 바와 같이, 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정된다. 이해할 수 있는 것은, 상기 제1 훈련은 목표 장소(120)에 대한 목표 경로 계획 모델(160)의 결정 과정 이전에, 컴퓨팅 기기(150)에 의해 미리 수행된다. 아래 제1 경로 계획 모델의 훈련 과정을 자세히 설명한다.

제1 훈련은 단계(406) 및 단계(408)에 의해 지시된 단계를 포함할 수 있다.

단계(406)에서, 복수의 제1 과거 경로 데이터 및 제1 경로 계획 서브 모델에 기반하여 컴퓨팅 기기(150) 제1 훈련 최적화 목표를 결정한다. 여기서, 복수의 제1 과거 경로 데이터는 과거 경로 데이터 세트에 포함될 수 있다.

과거 경로 데이터 세트는 복수의 알려진 장소에 대한 다중 경로 데이터를 포함할 수 있다. 일 예시에서, 과거 경로 데이터 세트에서 Ｎ개 장소의 각 장소에 대해 이미 O회(즉, 총 N*O개의 경로 데이터가 있음) 수집되었다고 가정하면, 컴퓨팅 기기(150)는 제1 훈련을 위해 O개의 경로 데이터에서 M개의 경로 데이터를 랜덤으로 선택할 수 있다. 다시 말하면, 상기 예시에서, 복수의 제1 과거 경로 데이터는 N*M개의 경로 데이터를 포함하고. 상기 N*M개의 경로 데이터는 N개 장소에 대해 훈련할 임무

(i=1,2,3...N)에서 훈련을 위한 역 전파에 사용할 수 있다.

일반화 능력이 강한 제1 경로 계획 모델을 훈련시키기 위해, N은 일반적으로 기설정된 값보다 커야 하는바, 예를 들어, N은 50이다. M은 기설정될 수 있거나(예를 들어, 55보다 크거나 같은 특정 값), 훈련 과정에서 오차에 기반하여 위에서 설명된 제2 임계값과의 비교를 통해 결정될 수도 있다.

제1 경로 계획 서브 모델은 N개의 장소에 대한 조정된 모델일 수 있고, 제1 훈련 최적화 목표는 N개의 장소에 대응하는 복수의 손실 함수의 합(즉,

)으로 지시되도록 결정될 수 있으며, 여기서, f는 모델에서 적용된 네트워크 구조이고, L은 손실 함수이며,

는 장소 i에 대한 제1 경로 계획 서브 모델의 조정된 파라미터이다.

는 전방 전파에서 네트워크 f에 입력된다. 이해할 수 있는 것은, 컴퓨팅 기기(150)는 복수의 교통수단에 서비스를 제공하고, 이러한 교통수단에 의해 이전에 수집된 복수의 경로 데이터를 이미 저장했을 수 있으며, 이미 이러한 경로 데이터를 이용하여 모델을 조정했을 수 있다. 따라서, 제1 훈련에서, 컴퓨팅 기기는 동일한 정도(예를 들어, 동일한 반복 횟수, 동일한 최적화 목표)로 조정된 모델을 제1 경로 계획 서브 모델로서 직접 획득하고

를 획득할 수 있다. 선택적으로, 컴퓨팅 기기(150)는 과거 경로 데이터 세트를 이용하여 제2 훈련을 통해 상기 제1 경로 계획 서브 모델을 직접 결정하고

를 획득할 수 있는데, 이는 아래에서 단계(402) 및 단계(404)를 참조하여 설명한바와 같다. 다시 말하면, 이 경우, 제1 경로 계획 모델의 훈련 과정은 두가지 다른 훈련 과정을 포함한다.

단계(408)에서, 제1 훈련 최적화 목표에 기반하여 컴퓨팅 기기(150)는 제1 경로 계획 서브 모델을 업데이트하고 제1 경로 계획 모델을 결정한다.

제1 훈련 최적화 목표를 결정한 후, 컴퓨팅 기기(150)는 제1 훈련 최적화 목표를 향해 최적화되도록 N*M개의 경로 데이터를 사용하여 마이그레이션 훈련을 수행하여 제1 경로 계획 모델을 결정한다. 일 예시에서, 상기 마이그레이션 훈련은 공식 1과 같은 경사 하강법을 수행하는 것일 수 있다.

공식 1

여기서,

는 하이퍼 파라미터 학습율이고, 이는 종래 또는 기존 경험에 따라 미리 결정될 수 있다.

는 학습할 파라미터이다. 즉, 역 전파는

에 대한 경사를 컴퓨팅하고, 업데이트되는 것 역시

이다. 복수의 라운드에서 제1 훈련 동작을 지속적으로 수행하여, 업데이트된

를 획득함으로써 제1 경로 계획 모델을 결정한다.

위에서 논의된 바와 같이, 일부 실시형태에서, 제1 경로 계획 서브 모델은 제2 훈련을 통해 결정될 수 있는데, 여기서, 제2 훈련은 예를 들어 도 4에서 점선 단계(402 및 404)로 지시된 단계를 포함할 수 있다.

단계(402)에서, 복수의 제2 과거 경로 데이터 및 초기 경로 계획 모델에 기반하여 컴퓨팅 기기(150)는 초기 경로 계획 모델의 초기 훈련 최적화 목표를 결정한다. 여기서, 복수의 제2 과거 경로 데이터는 과거 경로 데이터 세트에 포함될 수 있다.

이해할 수 있는 것은, 여기서는 초기 경로 계획 모델을 획득하는 방법을 한정하지 않으며, 상기 초기 경로 계획 모델은 어떠한 훈련도 거치지 않은 모델이거나 초보적 훈련을 거친 기타 모델일 수 있다.

총 N*O개의 경로 데이터가 포함된 과거 경로 데이터 세트의 전술한 예시를 계속 참조하여 설명한다. 각 장소의 경우, 컴퓨팅 기기(150)는 제2 훈련을 위해 O개의 경로 데이터에서 m개의 경로 데이터를 랜덤으로 선택할 수 있다. 일부 실시예에서, m개의 경로 데이터와 M개의 경로 데이터는 서로 다르고, 다른 일부 실시예에서, m개의 경로 데이터와 M개의 경로 데이터는 서로 다르다. 일부 실시예에서, m은 M보다 작은바, 예를 들어, m은 M의 기설정된 분수일 수 있다 (예를 들어, 1/11, 즉 M=55이면, m=5가 선택됨). 일 예시에서, O개의 경로 데이터는 m개 및 M개의 경로 데이터로 구성되는바, 즉 O=M+m이다. 이 N*m개의 경로 데이터는 하나의 매트릭스를 형성할 수 있고, 이는 훈련할 임무

(i=1,2,3...N)으로 간주될 수 있으며, 여기서 각 임무

는 m개의 경로 데이터를 포함한다.

초기 훈련 최적화 목표는 장소 i에 각각 대응하는 목표 손실 함수(즉,

)로 지시되도록 결정될 수 있다. 여기서, f는 모델에서 적용한 네트워크 구조이고, L은 손실 함수이며,

는 전방 전파에서 네트워크 f에 입력된다.

단계(404)에서, 제1 경로 계획 서브 모델을 결정하도록, 컴퓨팅 기기(150)는 초기 훈련 최적화 목표에 기반하여 상기 초기 경로 계획 모델을 업데이트할 수 있다.

초기 훈련 최적화 목표를 결정한 후, 컴퓨팅 기기(150)는 초기 훈련 최적화 목표를 향해 최적화하여 제1 경로 계획 서브 모델을 결정하도록 N*m개의 경로 데이터를 사용하여 제2 훈련을 수행한다. 일 예시에서, 제2 훈련은 공식 2와 같은 경사 하강법을 수행하는 것일 수 있다.

공식 2

여기서, a는하이퍼 파라미터 학습율이고, 이는 종래 또는 기존 경험에 따라 미리 결정될 수 있다. 일반적으로, a는 공식 의

보다 작게 설정된다. 공식 1과 유사하게,

는 학습할 파라미터이고, 복수의 라운드에서 지속적으로 제2 훈련 동작을 수행하며, 제1 경로 계획 서브 모델을 결정하고, 각 장소 i에 대해 업데이트된

를 획득한다.

따라서, 본 발명의 실시예를 이용하여 목표가 다른 두 훈련 과정을 최적화하여 일반화 능력이 강한 기본 훈련 모델을 획득하여 후속적으로 (복수의) 목표 장소(120)에 대한 정확한 목표 경로 계획 모델(160)을 획득하는 양호한 기초로 사용할 수 있다.

도 5는 본 발명의 일부 실시예에 따른 목표 경로 계획 모델을 결정하기 위한 과정(500)의 개략도를 도시한다. 예를 들어, 과정(500)은 도 2에 도시된 방법(200) 중 단계(204)의 일 예시의 구현으로 간주될 수 있다. 이해해야 할 것은, 과정(500)은 또한 도시되지 않은 추가 동작을 포함할 수 있거나 및/또는 도시된 동작을 생략할 수 있으며, 본 발명의 범위는 해당 측면에서 한정되지 않는다.

단계(502)에서, 컴퓨팅 기기(150)는 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여 장소 최적화 목표를 결정한다. 구체적으로, 목표 경로 계획 모델(160)은 제1 경로 계획 모델의 기초 상에서, 적은 수의 샘플을 포함하는 목표 경로 데이터 세트를 훈련하여 획득된다. 훈련 과정에서, 예측된 궤적을 얻기 위해 목표 경로 데이터 세트 중 하나의 목표 경로 데이터를 제1 경로 계획 모델에 입력할 수 있고, 예측된 궤적과 실제 수집된 궤적 간의 오차를 결정할 수 있으며, 장소 최적화 목표는 상기 오차를 지시할 수 있다. 상술한 바와 같이, 장소 최적화 목표는 목표 장소(120)에 대응하는 목표 손실 함수로 지시될 수 있다.

다음, 단계(504)에서, 컴퓨팅 기기(150)는 목표 경로 계획 모델을 결정하도록, 장소 최적화 목표에 기반하여 제1 경로 계획 모델(160)을 업데이트한다. 상술한 바와 같이, 목표 장소(120)의 장소 최적화 목표는 특정된 목표 장소(120)에서 경로 계획을 수행하는 최적화된 목표 경로 계획 모델(160)의 오차가 임계값보다 작도록 할 수 있다. 컴퓨팅 기기(150)는 업데이트된 제1 경로 계획 모델을 획득하기 위해 지속적으로 예측된 궤적과 실제 궤적 간의 오차를 작게 형성하는 방향으로 제1 경로 계획 모델의 파라미터를 업데이트한다. 예를 들어, 전술한 공식 2와 유사한 경사로 하강하는 방식에 기반하여 전술한 업데이트를 수행할 수 있다. 복수의 훈련 라운드에서, 목표 경로 계획 모델(160)을 결정하기 위해 반복 방식으로 훈련 동작을 지속적으로 수행하여 제1 경로 계획 모델의 파라미터를 업데이트할 수 있다.

본 발명의 실시예를 이용하면, 적은 수의 훈련 샘플을 포함하는 목표 경로 데이터 세트만 사용하여 보다 정확한 목표 경로 계획 모델(160)을 획득할 수 있다. 이러한 방식으로 새로운 목표 장소(120)인 경우에 수집된 적은 수의 목표 경로 데이터만을 이용하여 목표 경로 계획 모델(160)을 효과적으로 획득할 수 있다.

도 6은 본 발명의 일부 실시예에 따른 경로 계획 모델을 생성하기 위한 장치(600)의 개략적인 블록도를 도시한다. 도 6에 도시된 바와 같이, 장치(600)는, 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 목표 장소(120)에 대응하는 장소 최적화 목표를 이용하여 목표 장소(120)의 목표 경로 계획 모델을 결정하도록 구성되는 데이터 획득 모듈(602)을 포함할 수 있다.

장치(600)는, 목표 장소(120)와 연관된 목표 경로 데이터 세트를 획득하도록 구성되는 목표 경로 계획 모델 결정 모듈(604)을 더 포함할 수 있다. 여기서, 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정되며, 과거 경로 데이터 세트는 목표 장소(120)와 다른 복수의 장소와 연관되고, 제1 훈련의 제1 훈련 최적화 목표는 복수의 장소에 대응한다.

일부 실시예에서, 장소 최적화 목표는 상기 목표 장소에서 목표 경로 계획 모델의 목표 경로 계획 오차를 줄이고, 제1 훈련 최적화 목표는 복수의 장소에서 제1 경로 계획 모델의 복수의 경로 계획 오차를 줄인다.

일부 실시예에서, 장소 최적화 목표는 목표 장소(120)에 대응하는 목표 손실 함수로 지시되고, 제1 훈련 최적화 목표는 복수의 장소에 각각 대응하는 복수의 장소 손실 함수의 합으로 지시된다.

일부 실시예에서, 과거 경로 데이터 세트는 복수의 제1 과거 경로 데이터를 포함하고, 목표 경로 계획 모델 결정 모듈(604)은, 복수의 제1 과거 경로 데이터 및 제1 경로 계획 서브 모델에 기반하여 제1 훈련 최적화 목표를 결정하도록 구성되는 제1 훈련 최적화 목표 결정 모듈; 및 제1 경로 계획 모델을 결정하도록, 제1 훈련 최적화 목표에 기반하여 제1 경로 계획 서브 모델을 업데이트하도록 구성되는 제1 경로 계획 모델 결정 모듈; 을 더 포함한다.

일부 실시예에서, 과거 경로 데이터 세트는 복수의 제2 과거 경로 데이터를 더 포함하고, 제1 경로 계획 서브 모델은 목표 경로 계획 모델 결정 모듈(604)에 의한 제2 훈련을 통해 결정되며, 여기서, 목표 경로 계획 모델 결정 모듈(604)은, 복수의 제2 과거 경로 데이터 및 초기 경로 계획 모델에 기반하여 초기 경로 계획 모델의 초기 훈련 최적화 목표를 결정하도록 구성되는 초기 훈련 최적화 목표 결정 모듈; 및 제1 경로 계획 서브 모델을 결정하도록, 초기 훈련 최적화 목표에 기반하여 초기 경로 계획 모델을 업데이트하는 제1 경로 계획 서브 모델 결정 모듈; 을 더 포함한다.

일부 실시예에서, 데이터 획득 모듈(602)은, 목표 장소(120)와 연관된 목표 경로 데이터를 획득하도록 구성되는 목표 경로 데이터 획득 모듈; 및 목표 경로 데이터 및 경로 데이터 변환 모델에 기반하여 목표 경로 데이터 세트를 획득하도록 구성되는 목표 경로 데이터 세트 획득 모듈; 을 더 포함하고, 목표 경로 데이터 세트는 적어도 목표 경로 데이터를 포함한다.

일부 실시예에서, 경로 데이터 변환 모델은, 한 그룹의 경로 데이터 변환 서브 모델을 포함하고, 한 그룹의 경로 데이터 변환 서브 모델은 각각 다른 환경 조건에 대응하며, 데이터 획득 모듈(602)은 목표 경로 데이터가 위치한 목표 환경 조건을 결정하도록 구성되는 목표 환경 조건 결정 모듈; 및 목표 환경 조건에 기반하여 한 그룹의 경로 데이터 변환 서브 모델에서 목표 환경 조건에 대응하는 하나의 경로 데이터 변환 서브 모델을 결정하도록 구성되는 경로 데이터 변환 모델 선택 모듈; 을 더 포함하고, 목표 경로 데이터 세트 획득 모듈은 목표 경로 데이터 및 결정된 하나의 경로 데이터 변환 서브 모델에 기반하여 목표 경로 데이터 세트를 획득하도록 추가로 구성된다.

일부 실시예에서, 목표 경로 계획 모델 결정 모듈(604)은, 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 장소 최적화 목표를 결정하도록 구성되는 장소 최적화 목표 결정 모듈; 을 더 포함하고, 목표 경로 계획 모델 결정 모듈(604)은 목표 경로 계획 모델을 결정하도록, 장소 최적화 목표에 기반하여 제1 경로 계획 모델을 업데이트한다.

도 7은 본 발명의 일부 실시예에 따른 교통수단의 궤적을 결정하기 위한 방법(700)의 개략도를 도시한다. 상기 실시예에 따르면, 목표 경로 계획 모델(160)을 사용하여 목표 장소(120)에서 교통수단(110)의 궤적을 결정할 수 있다. 일 예시에서, 목표 주차장의 자율 주차인 경우, 상기 궤적은 주차장 입구로부터 예정된 주차 자리까지의 경로 상의 궤적 포인트를 포함할 수 있다. 구체적으로, 상기 교통수단(110)의 궤적을 결정하는 과정은 교통수단(110)에서 수행될 수도 있거나, 일부는 교통수단(110)의 로컬에서 구현되고 또한 일부는 원격 서버 또는 클라우드에서 수행될 수도 있거나 완전히 원격 서버 또는 클라우드에서 수행될 수도 있다. 이하에서는 상기 교통수단(110)의 궤적을 결정하는 과정이 교통수단(110)에서 수행되는 경우를 예로 들어 설명한다.

단계(702)에서, 교통수단(110)은 목표 장소(120)의 현재 경로 데이터를 획득하되, 현재 경로 데이터는 교통수단의 적어도 하나의 센서를 이용하여 획득된다. 구체적으로, 교통수단(110)은 원격 서버와 같은 컴퓨팅 기기(150)로부터 이미 훈련된 목표 경로 계획 모델(160)을 획득할 수 있다. 이해할 수 있는 것은, 교통수단(110)은 적어도 하나의 센서 외에도 읽기 전용 메모리(ROM)에 저장된 컴퓨터 프로그램 명령에 따라 랜덤 액세스 메모리(RAM)에 로딩되어 다양한 적절한 동작 및 처리를 수행함으로써 교통수단(110)의 궤적을 결정할 수 있는 중앙 처리 장치(CPU)를 더 포함할 수 있다. 교통수단(110)이 목표 장소(120)에 진입한 후, 적어도 하나의 센서(예를 들어, 이미지 수집 장치(115))를 사용하여 목표 장소(120)의 현재 경로 데이터를 획득할 수 있다.

단계(704)에서, 목표 경로 계획 모델(160) 및 현재 경로 데이터에 기반하여 교통수단(110)의 궤적을 결정한다. 구체적으로, 현재 경로 데이터는 목표 장소(120)에 대한 복수의 이미지를 포함하고, 상기 복수의 이미지는 목표 경로 계획 모델(160)에 입력되며, 목표 경로 계획 모델(160)을 통해 컴퓨팅을 수행한 후 목표 장소(120)의 궤적 포인트를 출력한다. 이러한 궤적 포인트를 이용하여 후속 처리 과정에서 제어교통수단(110)의 스티어링, 액셀러레이터, 브레이크와 같은 제어 파라미터를 컴퓨팅하여 교통수단의 대응하는 액추에이터가 대응하는 동작을 수행하도록 명령할 수 있다.

일부 실시예에서, 목표 장소(120)에서 교통수단(110)의 자율 주차 횟수가 증가함에 따라 매회 수집된 현재 경로 데이터를 이용하여 기존의 목표 경로 계획 모델(160)을 업데이트할 수 있다. 이러한 방식으로 목표 경로 계획 모델(160)의 정확성이 더욱 향상될 수 있다.

도 8은 본 발명의 실시예에 따른 교통수단(800)의 개략적인 블록도를 도시한다. 교통수단(800)은 도 1의 교통수단(110)을 구현할 수 있는 하나의 구체적인 예시이다. 도 7에 도시된 바와 같이, 교통수단(800)은 교통수단의 적어도 하나의 센서를 이용하여 목표 장소(120)의 현재 경로 데이터를 획득하도록 구성되는 현재 경로 데이터 획득 모듈(802)을 포함한다. 교통수단(800)은 도 2 내지 도 5를 참조하여 설명된 방법에 따라 결정된 목표 경로 계획 모델 및 현재 경로 데이터에 기반하여 교통수단(800)의 궤적을 결정하도록 구성되는 궤적 결정 모듈(804)을 더 포함한다.

본 출원의 실시예에 따르면, 본 출원은 또한 전자 기기 및 판독 가능 저장 매체를 제공한다.

도 9는 본 출원의 실시예에 따른 경로 계획 모델 생성 방법의 전자 기기의 블록도이다. 전자 기기는 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 벤치, 개인용 정보 단말기, 서버, 블레이드 서버, 메인 프레임 컴퓨터 및 다른 적합한 컴퓨터 등의 다양한 형태의 디지털 컴퓨터를 가리킨다. 전자 기기는 또한 개인용 정보 단말기, 셀룰러 폰, 스마트 폰, 웨어러블 장치 및 다른 유사한 컴퓨팅 장치와 같은 다양한 형태의 모바일 장치를 나타낼 수 있다. 본 명세서에 도시된 구성 요소, 그들의 연결 및 관계 및 그 기능은 단지 예시에 불과하며, 본 명세서에 기술되거나 청구된 구현을 한정하도록 의도되지 않는다.

도 9에 도시된 바와 같이, 상기 전자 기기는 하나 이상의 프로세서(901), 메모리(902) 및 고속 인터페이스 및 저속 인터페이스를 포함하는 다양한 구성 요소를 연결하기 위한 인터페이스를 포함한다. 다양한 구성 요소는 서로 다른 버스를 사용하여 서로 연결되며 마더 보드에 설치되거나 필요에 따라 다른 방식으로 설치될 수 있다. 프로세서는 외부 입력/출력 장치(예를 들어, 인터페이스에 연결된 디스플레이 장치)에 GUI의 그래픽 정보를 표시하기 위해 메모리에 저장된 명령을 포함하여 전자 기기 내에서 실행되는 명령을 처리할 수 있다. 다른 실시 방식에서, 필요한 경우, 다수의 프로세서 및/또는 다수의 버스를 다수의 메모리와 함께 사용할 수 있다. 마찬가지로, 여러 전자 기기를 연결할 수 있고, 각 장치는 단지 몇가지 필요한 기능(예를 들어, 서버 배열, 블레이드 서버 그룹 또는 다중 프로세서 시스템)을 제공할 수 있다. 도 9는 프로세서(901)가 하나인 경우를 예를 들어 설명한다.

메모리(902)는 본 출원에 의해 제공된 비 일시적 컴퓨터 판독 가능 저장 매체이다. 여기서, 적어도 하나의 프로세서에 의해 본 출원에 의해 제공되는 경로 계획 모델 생성 방법을 수행하도록, 상기 메모리에는 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장된다. 본 출원의 비 일시적 컴퓨터 판독 가능 저장 매체에는 컴퓨터로 하여금 본 출원에 의해 제공되는 경로 계획 모델 생성 방법을 실행하게 하는 컴퓨터 명령어가 저장된다.

메모리(902)는 비 일시적 컴퓨터 판독 가능 저장 매체로서, 비 일시적 소프트웨어 프로그램, 비 일시적 컴퓨터 실행 가능 프로그램, 본 출원의 실시예의 경로 계획 모델 생성 방법에 대응하는 프로그램 명령/모듈과 같은 모듈(예를 들어, 도 6에 도시된 그래프 데이터 수집 모듈(602), 목표 경로 계획 모델 결정 모듈(604))을 저장하기 위해 사용될 수 있다. 프로세서(901)는 메모리(902)에 저장된 비 일시적 소프트웨어 프로그램, 명령 및 모듈을 실행하여 서버의 다양한 기능적 애플리케이션 및 데이터 처리를 실행한다. 다시 말하면, 상기 방법 실시예의 경로 계획 모델 생성 방법을 구현한다.

메모리(902)는 프로그램을 저장하기 위한 영역 및 데이터를 저장하기 위한 영역을 포함할 수 있고, 여기서 프로그램을 저장하기 위한 영역은 운영 체제 및 적어도 하나의 기능에 필요한 응용 프로그램이 저장될 수 있고; 데이터를 저장하기 위한 영역에는 경로 계획 모델을 생성하는 전자 기기를 사용하여 생성된 데이터가 저장될 수 있다. 또한, 메모리(902)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 또한 자기 디스크 저장 장치, 플래시 메모리 장치 또는 다른 비 일시적 솔리드 스테이트 저장 장치와 같은 적어도 하나의 비 일시적 메모리를 포함할 수 있다. 일부 실시예에서, 메모리(902)는 프로세서(901)에 대해 원격으로 설정된 메모리를 선택적으로 포함할 수 있고, 이러한 원격 메모리는 네트워크를 통해 경로 계획 모델을 생성하는 전자 기기에 연결될 수 있다. 상기 네트워크의 사례는 인터넷, 인트라넷, 근거리 네트워크, 이동 통신 네트워크 및 이들의 조합을 포함하지만 이에 한정되지는 않는다.

경로 계획 모델 생성 방법을 수행하는 전자 기기는 입력 장치(903) 및 출력 장치(904)를 더 포함할 수 있다. 프로세서(901), 메모리(902), 입력 장치(903) 및 출력 장치(904)는 버스를 통해 연결되거나 또는 다른 방식으로 연결될 수 있으며, 도 9는 버스를 통한 연결을 예시한 것이다.

입력 장치(903)는 입력된 숫자 또는 문자 정보를 수신할 수 있고, 경로 계획 모델을 생성하는 전자 기기의 사용자 설정 및 기능 제어와 관련된 키 신호 입력을 생성할 수 있으며, 터치 스크린, 키패드, 마우스, 트랙 패드, 터치 패드, 포인팅 스틱, 하나 이상의 마우스 버튼, 트랙볼, 조이스틱 및 기타 입력 장치일 수 있다. 출력 장치(904)는 디스플레이 장치, 보조 조명 장치(예를 들어, LED), 촉각 피드백 장치(예를 들어, 진동 모터) 등을 포함할 수 있다. 상기 디스플레이 장치는 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이 및 플라즈마 디스플레이를 포함할 수 있지만, 이에 한정되지는 않는다. 일부 실시 방식에서, 디스플레이 장치는 터치 스크린일 수 있다.

본 출원의 실시예에 따르면, 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램을 더 제공한다. 당해 컴퓨터 프로그램의 명령이 실행될 경우, 본 출원의 임의의 실시예의 경로 계획 모델 생성 방법이 수행된다.

본 명세서에 설명된 시스템 및 기술의 다양한 실시 방식은 디지털 전자 회로, 집적 회로 시스템, 전용 ASIC(애플리케이션 특정 집적 회로), 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에 의해 구현될 수 있다. 이러한 다양한 실시 방식은 하나 이상의 컴퓨터 프로그램에 의해 실시될 수 있고, 상기 하나 이상의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 시스템에 의해 실행 및/또는 해석될 수 있으며, 상기 프로그램 가능 프로세서는 전용 또는 범용 프로그램 가능 프로세서일 수 있고, 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신하며, 데이터 및 명령을 저장 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치에 전송할 수 있다.

이러한 컴퓨터 프로그램(프로그램, 소프트웨어, 소프트웨어 응용 프로그램 또는 코드라고도 함)에는 프로그램 가능 프로세서의 기계 명령어가 포함되고, 고급 프로세스 및/또는 객체 지향 프로그래밍 언어 및/또는 어셈블리 언어/기계어를 사용하여 이러한 컴퓨터 프로그램을 구현할 수 있다. 본 명세서에서 사용되는 용어 "기계 판독 가능 매체" 및 "컴퓨터 판독 가능 매체"는 프로그램 가능 프로세서에 기계 명령 및/또는 데이터를 제공하기 위해 사용되는 임의의 컴퓨터 프로그램 제품, 장비 및/또는 장치(예를 들어, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 논리 장치(PLD))를 가리키며, 기계 판독 가능 신호로서 기계 명령을 수신하는 기계 판독 가능 매체를 포함한다. 용어 "기계 판독 가능 신호"는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 지칭한다.

사용자와의 상호 작용을 제공하기 위해, 컴퓨터에서 여기에 설명된 시스템 및 기술을 구현할 수 있다. 컴퓨터는 사용자에게 정보를 표시하기 위한 디스플레이 장치(예를 들어, CRT(cathode ray tube) 또는 LCD(liquid crystal display) 모니터)와 키보드 및 포인팅 장치(예를 들어, 마우스 또는 트랙볼)를 포함하고, 사용자는 상기 키보드 및 상기 포인팅 장치를 통해 정보를 입력하여 컴퓨터에 제공할 수 있다. 다른 종류의 장치를 사용하여 사용자와의 상호 작용을 제공할 수도 있다. 예를 들어, 사용자에게 제공되는 피드백은 임의의 형태의 감각 피드백(예를 들어, 시각적 피드백, 청각 피드백 또는 촉각 피드백) 일 수 있고, 임의의 형태(음성 입력, 스피치 입력 또는 촉각 입력 포함)로 사용자에 의해 발송된 정보를 수신할 수 있다.

본 명세서에 설명된 시스템 및 기술은 백엔드 구성 요소(예를 들어, 데이터 서버)를 포함하는 컴퓨팅 시스템 또는 미들웨어 구성 요소(예를 들어, 애플리케이션 서버)를 포함하는 컴퓨팅 시스템 또는 프론트 엔드 구성 요소(예를 들어, 예를 들어, 그래픽 사용자 인터페이스 또는 웹 브라우저를 가진 사용자 컴퓨터일 수 있으며, 사용자는 그래픽 사용자 인터페이스 또는 웹 브라우저를 통해 여기에 설명된 시스템 및 기술의 구현과 상호 작용할 수 있음)를 포함하는 컴퓨팅 시스템 또는 이러한 백엔드 구성 요소, 미들웨어 구성 요소 또는 프론트 엔드 구성 요소의 임의의 조합을 포함하는 컴퓨팅 시스템에 의해 구현될 수 있다. 시스템의 구성 요소는 임의의 형태 또는 매체의 디지털 데이터 통신(예를 들어, 통신 네트워크)에 의해 상호 연결될 수 있다. 통신 네트워크의 예로는 LAN(Local Area Network), WAN(Wide Area Network) 및 인터넷이 포함될 수 있다.

컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있으며, 일반적으로 통신 네트워크를 통해 상호 작용한다. 클라이언트와 서버 간의 관계는 해당 컴퓨터에서 실행되고 서로 클라이언트-서버 관계가 있는 컴퓨터 프로그램에 의해 발생된다.

본 발명의 실시예의 기술적 해결책에 따르면, 목표 장소(120) 중 목표 경로 데이터 샘플 수에 대한 요구가 감소될 수 있고, 나아가 다른 알려진 복수의 장소 예시의 경로 데이터 세트에 따라 획득된 훈련 모델에 기반하여 목표 장소(120)에 대한 적은 경로 데이터를 이용하여 목표 장소(120)에 대한 최적화되고 정확한 목표 경로 계획 모델(160)을 획득할 수 있다. 이러한 방식으로 사용자의 운전 경험을 향상시키면서 서버의 컴퓨팅 오버헤드를 줄일 수 있다.

상기에 도시된 다양한 형태의 과정을 통해 단계를 재정렬, 추가 또는 삭제할 수 있다는 것을 이해해야 한다. 예를 들어, 본 출원에 설명된 각 단계들은 병렬, 순차적 또는 상이한 순서로 수행될 수 있으며, 본 출원에 개시된 기술적 해결책이 원하는 결과를 달성할 수만 있으면, 별도로 한정되지 않는다.

상기 구체적인 실시 방식은 본 출원의 보호 범위에 대한 제한을 구성하지 않는다. 당업자는 설계 요건 및 다른 요인에 따라 다양한 변형, 조합, 하위 조합 및 대체가 이루어질 수 있다는 것을 이해해야 한다. 본 출원의 원리와 원칙 내에서 이루어진 모든 수정, 동등한 대체 및 개선은 모두 본 출원의 보호 범위에 포함된다.

Claims

경로 계획 모델 생성 방법에 있어서,
목표 장소와 연관된 목표 경로 데이터 세트를 획득하는 단계; 및
상기 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 상기 목표 장소에 대응하는 장소 최적화 목표를 이용하여 상기 목표 장소의 목표 경로 계획 모델을 결정하는 단계; 를 포함하고,
상기 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정되며, 상기 과거 경로 데이터 세트는 상기 목표 장소와 다른 복수의 장소와 연관되고, 상기 제1 훈련의 제1 훈련 최적화 목표는 상기 복수의 장소에 대응하는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
제1항에 있어서,
상기 장소 최적화 목표는 상기 목표 장소에서 상기 목표 경로 계획 모델의 목표 경로 계획 오차를 줄이고, 상기 제1 훈련 최적화 목표는 상기 복수의 장소에서 상기 제1 경로 계획 모델의 복수의 경로 계획 오차를 줄이는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
제1항에 있어서,
상기 장소 최적화 목표는 상기 목표 장소에 대응하는 목표 손실 함수로 지시되고, 상기 제1 훈련 최적화 목표는 상기 복수의 장소에 각각 대응하는 복수의 장소 손실 함수의 합으로 지시되는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
제1항에 있어서,
상기 과거 경로 데이터 세트는 복수의 제1 과거 경로 데이터를 포함하고,
상기 제1 훈련은,
상기 복수의 제1 과거 경로 데이터 및 제1 경로 계획 서브 모델에 기반하여 상기 제1 훈련 최적화 목표를 결정하는 단계; 및
상기 제1 경로 계획 모델을 결정하도록, 상기 제1 훈련 최적화 목표에 기반하여 상기 제1 경로 계획 서브 모델을 업데이트하는 단계; 를 통해 수행되는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
제4항에 있어서,
상기 과거 경로 데이터 세트는 복수의 제2 과거 경로 데이터를 더 포함하고, 상기 제1 경로 계획 서브 모델은 제2 훈련을 통해 결정되며,
상기 제2 훈련은,
상기 복수의 제2 과거 경로 데이터 및 초기 경로 계획 모델에 기반하여 상기 초기 경로 계획 모델의 초기 훈련 최적화 목표를 결정하는 단계; 및
상기 제1 경로 계획 서브 모델을 결정하도록, 상기 초기 훈련 최적화 목표에 기반하여 상기 초기 경로 계획 모델을 업데이트하는 단계; 를 통해 수행되는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
제1항에 있어서,
상기 목표 경로 데이터 세트를 획득하는 단계는,
상기 목표 장소와 연관된 목표 경로 데이터를 획득하는 단계; 및
상기 목표 경로 데이터 및 경로 데이터 변환 모델에 기반하여 상기 목표 경로 데이터 세트를 획득하는 단계; 를 포함하고,
상기 목표 경로 데이터 세트는 적어도 상기 목표 경로 데이터를 포함하는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
제6항에 있어서,
상기 경로 데이터 변환 모델은 한 그룹의 경로 데이터 변환 서브 모델을 포함하고, 상기 한 그룹의 경로 데이터 변환 서브 모델은 각각 다른 환경 조건에 대응하며,
상기 목표 경로 데이터 세트를 획득하는 단계는,
상기 목표 경로 데이터가 위치한 목표 환경 조건을 결정하는 단계;
상기 목표 환경 조건에 기반하여 상기 한 그룹의 경로 데이터 변환 서브 모델에서 상기 목표 환경 조건에 대응하는 하나의 경로 데이터 변환 서브 모델을 결정하는 단계; 및
상기 목표 경로 데이터 및 결정된 상기 하나의 경로 데이터 변환 서브 모델에 기반하여 상기 목표 경로 데이터 세트를 획득하는 단계; 를 더 포함하는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
제1항에 있어서,
상기 목표 경로 계획 모델을 결정하는 단계는,
상기 목표 경로 데이터 세트 및 상기 제1 경로 계획 모델에 기반하여 상기 장소 최적화 목표를 결정하는 단계; 및
상기 목표 경로 계획 모델을 결정하도록, 상기 장소 최적화 목표에 기반하여 상기 제1 경로 계획 모델을 업데이트하는 단계; 를 포함하는,
것을 특징으로 하는 경로 계획 모델 생성 방법.
교통수단의 궤적 결정 방법에 있어서,
목표 장소의 현재 경로 데이터를 획득하는 단계 - 상기 현재 경로 데이터는 상기 교통수단의 적어도 하나의 센서를 이용하여 획득됨 - ; 및
제1항 내지 제8항의 방법에 따라 결정된 상기 목표 경로 계획 모델 및 상기 현재 경로 데이터에 기반하여 상기 교통수단의 궤적을 결정하는 단계; 를 포함하는,
것을 특징으로 하는 교통수단의 궤적 결정 방법.
경로 계획 모델 생성 장치에 있어서,
목표 장소와 연관된 목표 경로 데이터 세트를 획득하도록 구성되는 데이터 획득 모듈; 및
상기 목표 경로 데이터 세트 및 제1 경로 계획 모델에 기반하여, 상기 목표 장소에 대응하는 장소 최적화 목표를 이용하여 상기 목표 장소의 목표 경로 계획 모델을 결정하도록 구성되는 목표 경로 계획 모델 결정 모듈; 을 포함하고,
상기 제1 경로 계획 모델은 과거 경로 데이터 세트에 기반하여 적어도 제1 훈련을 이용하여 결정되며, 상기 과거 경로 데이터 세트는 상기 목표 장소와 다른 복수의 장소와 연관되고, 상기 제1 훈련의 제1 훈련 최적화 목표는 상기 복수의 장소에 대응하는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
제10항에 있어서,
상기 장소 최적화 목표는 상기 목표 장소에서 상기 목표 경로 계획 모델의 목표 경로 계획 오차를 줄이고, 상기 제1 훈련 최적화 목표는 상기 복수의 장소에서 상기 제1 경로 계획 모델의 복수의 경로 계획 오차를 줄이는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
제10항에 있어서,
상기 장소 최적화 목표는 상기 목표 장소에 대응하는 목표 손실 함수로 지시되고, 상기 제1 훈련 최적화 목표는 상기 복수의 장소에 각각 대응하는 복수의 장소 손실 함수의 합으로 지시되는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
제10항에 있어서,
상기 과거 경로 데이터 세트는 복수의 제1 과거 경로 데이터를 포함하고,
상기 목표 경로 계획 모델 결정 모듈은,
상기 복수의 제1 과거 경로 데이터 및 제1 경로 계획 서브 모델에 기반하여 상기 제1 훈련 최적화 목표를 결정하도록 구성되는 제1 훈련 최적화 목표 결정 모듈; 및
상기 제1 경로 계획 모델을 결정하도록, 상기 제1 훈련 최적화 목표에 기반하여 상기 제1 경로 계획 서브 모델을 업데이트하도록 구성되는 제1 경로 계획 모델 결정 모듈; 을 더 포함하는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
제13항에 있어서,
상기 과거 경로 데이터 세트는 복수의 제2 과거 경로 데이터를 더 포함하고, 상기 제1 경로 계획 서브 모델은 상기 목표 경로 계획 모델 결정 모듈에 의한 제2 훈련을 통해 결정되며,
상기 목표 경로 계획 모델 결정 모듈은,
상기 복수의 제2 과거 경로 데이터 및 초기 경로 계획 모델에 기반하여 상기 초기 경로 계획 모델의 초기 훈련 최적화 목표를 결정하도록 구성되는 초기 훈련 최적화 목표 결정 모듈; 및
상기 제1 경로 계획 서브 모델을 결정하도록, 상기 초기 훈련 최적화 목표에 기반하여 상기 초기 경로 계획 모델을 업데이트하도록 구성되는 제1 경로 계획 서브 모델 결정 모듈; 을 더 포함하는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
제10항에 있어서,
상기 데이터 획득 모듈은,
상기 목표 장소와 연관된 목표 경로 데이터를 획득하도록 구성되는 목표 경로 데이터 획득 모듈; 및
상기 목표 경로 데이터 및 경로 데이터 변환 모델에 기반하여 상기 목표 경로 데이터 세트를 획득하도록 구성되는 목표 경로 데이터 세트 획득 모듈; 을 더 포함하고,
상기 목표 경로 데이터 세트는 적어도 상기 목표 경로 데이터를 포함하는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
제15항에 있어서,
상기 경로 데이터 변환 모델은 한 그룹의 경로 데이터 변환 서브 모델을 포함하고, 상기 한 그룹의 경로 데이터 변환 서브 모델은 각각 다른 환경 조건에 대응하며,
상기 데이터 획득 모듈은,
상기 목표 경로 데이터가 위치한 목표 환경 조건을 결정하도록 구성되는 목표 환경 조건 결정 모듈; 및
상기 목표 환경 조건에 기반하여 상기 한 그룹의 경로 데이터 변환 서브 모델에서 상기 목표 환경 조건에 대응하는 하나의 경로 데이터 변환 서브 모델을 결정하도록 구성되는 경로 데이터 변환 모델 선택 모듈; 을 더 포함하고,
상기 목표 경로 데이터 세트 획득 모듈은 또한, 상기 목표 경로 데이터 및 결정된 상기 하나의 경로 데이터 변환 서브 모델에 기반하여 상기 목표 경로 데이터 세트를 획득하도록 구성되는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
제10항에 있어서,
상기 목표 경로 계획 모델 결정 모듈은,
상기 목표 경로 데이터 세트 및 상기 제1 경로 계획 모델에 기반하여 상기 장소 최적화 목표를 결정하도록 구성되는 장소 최적화 목표 결정 모듈; 을 더 포함하고,
상기 목표 경로 계획 모델 결정 모듈은 또한, 상기 목표 경로 계획 모델을 결정하도록, 상기 장소 최적화 목표에 기반하여 상기 제1 경로 계획 모델을 업데이트하도록 구성되는,
것을 특징으로 하는 경로 계획 모델 생성 장치.
교통수단에 있어서,
상기 교통수단의 적어도 하나의 센서를 이용하여 목표 장소의 현재 경로 데이터를 획득하도록 구성되는 현재 경로 데이터 획득 모듈; 및
제1항 내지 제8항의 방법에 따라 결정된 상기 목표 경로 계획 모델 및 상기 현재 경로 데이터에 기반하여 상기 교통수단의 궤적을 결정하도록 구성되는 궤적 결정 모듈; 을 포함하는,
것을 특징으로 하는 교통수단.
전자 기기에 있어서,
적어도 하나의 프로세서; 및
상기 적어도 하나의 프로세서와 통신 연결되는 메모리; 를 포함하고,
상기 메모리에는 상기 적어도 하나의 프로세서에 의해 실행 가능한 명령이 저장되며, 상기 명령이 상기 적어도 하나의 프로세서에 의해 실행될 경우, 상기 적어도 하나의 프로세서가 제1항 내지 제8항 중 어느 한 항의 경로 계획 모델 생성 방법을 수행하는,
것을 특징으로 하는 전자 기기.
컴퓨터 프로그램이 저장된 비 일시적 컴퓨터 판독 가능 저장 매체에 있어서,
상기 컴퓨터 프로그램의 명령이 실행될 경우, 제1항 내지 제8항 중 어느 한 항의 경로 계획 모델 생성 방법이 수행되는,
것을 특징으로 하는 컴퓨터 프로그램이 저장된 비 일시적 컴퓨터 판독 가능 저장 매체.
컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램에 있어서,
상기 컴퓨터 프로그램의 명령이 실행될 경우, 제1항 내지 제8항 중 어느 한 항의 경로 계획 모델 생성 방법이 수행되는,
것을 특징으로 하는 컴퓨터 판독 가능 저장 매체에 저장된 컴퓨터 프로그램.